物理部署图

简介: 物理部署图描述系统运行时的硬件配置与软件部署结构,展现节点、构件、物件及连接关系,常用于理解分布式系统。通过图示明确应用如何在硬件上部署运行,帮助开发与运维协作,提升系统可维护性与架构清晰度。(239字)

一、什么是物理部署图
部署图描述的是系统运行时的结构,展示了硬件的配置及其软件如何部署到网络结构中。一个系统模型只有一个部署图,部署图通常用来帮助理解分布式系统。
综上所述:物理部署图更多地是以运维的视角描绘运行时的系统的网络与部署结构。
二、为什么要画物理部署图?
一个好的开发人员要懂得一定的运维知识。
物理部署图核心要解决的是:应用工程(软件)怎么和硬件合到一起运行。
三、物理部署图核心元素

  1. 节点(Node)
    节点是存在于运行时的代表计算机资源的物理元素,可以是硬件也可以是运行于计算机上的软件系统:如ECS云服务器实例、或Kubernetes的节点Node。如下图:
  2. 构建(Component)
    构件(component)是系统中遵从同一组接口且提供其实现的物理的、可替换的部分。每一个构件能实现一定的功能,为其他构件提供使用接口,方便软件的复用,使用构件最重要的是复用。个人将Kubernetes节点Node中的不同Pod理解为Node节点的不同构件。如下图所示:
  3. 物件(Artifact)
    物件是指软件开发过程中的产物,包括过程模型(用例图等)、源代码、可执行程序(如jar包)等。如下图表示一个运行在节点实例中的Kubernetes Pod构建中的一个java可执行程序jar包。
  4. 连接(Association)
    节点之间的连线表示系统之间进行交互的通信路径,这个通信路径成为连接,如下一节示例图所示,连接中有网络协议。
  5. 框架(Frame)
    一个或多个节点可以组成一个框架,其中节点也可以包括构建与物件等元素。如下图多个Kubernetes节点Node可以组成一个框架(k8s集群)。
    四、物理部署图示例
相关文章
|
存储 分布式计算 资源调度
2022年最强大数据面试宝典(全文50000字,建议收藏)(一)
复习大数据面试题,看这一套就够了!
3208 0
如何使用命令生成RSA2密钥
说明:   本帖主要说明如何使用命令来生成RSA2密钥。    使用密钥工具生成RSA2密钥(推荐使用):    帖子地址:[url]https://openclub.alipay.com/read.
2538 12
|
5月前
|
人工智能 Linux API
【养虾 AI 🦞指南】OpenClaw阿里云/本地零基础保姆级部署手册 +大模型api配置、Skills应用及常见问题解答
OpenClaw作为一款可执行型AI智能体框架,区别于传统对话式AI的核心优势在于能够通过挂载Skills技能模块实现各类实际任务的自动化执行,从网页数据爬取、文档编辑到工作流搭建、数据分析,覆盖办公与研究的多类场景。2026年最新版本的OpenClaw进一步降低了部署与使用门槛,同时ClawHub生态中的Skills数量与功能持续丰富,掌握其部署方法与核心Skills的应用逻辑,能够大幅提升工作效率。本文将从基础环境准备出发,详细讲解2026年新手零基础下阿里云云端部署、MacOS/Linux/Windows11本地部署OpenClaw的完整步骤,同步说明阿里云百炼免费大模型API的配置方法
1523 20
|
8月前
|
机器学习/深度学习 缓存 关系型数据库
🎯 注意力机制详解
注意力机制是Transformer核心,实现动态信息聚焦。涵盖自注意力、交叉注意力及多头、分组、多查询等变体,平衡效率与性能。广泛应用于编码器-解码器、多模态融合等场景,是大模型设计与面试考察重点。
|
8月前
|
机器学习/深度学习
📍 位置编码详解
位置编码为Transformer提供序列位置信息,因注意力机制无位置感知。分为绝对(如可学习、Sinusoidal)和相对(如RoPE、ALiBi)两类。RoPE通过旋转矩阵支持任意长度,ALiBi以线性偏置增强外推。面试常考其必要性、RoPE优势及长序列处理。
|
8月前
|
自然语言处理
🏗️ 主流大模型结构
本文系统梳理主流大模型架构:Encoder-Decoder、Decoder-Only、Encoder-Only与Prefix-Decoder,解析GPT、LLaMA、BERT等代表模型演进与特点,对比参数量、上下文长度等关键指标,深入探讨中文模型优化及面试高频问题,助力全面掌握大模型技术脉络。(238字)
|
8月前
|
机器学习/深度学习 存储 知识图谱
🫗 知识蒸馏
知识蒸馏是一种模型压缩技术,通过将大模型(教师)的知识迁移到小模型(学生),提升小模型性能。核心思想是模仿教师的输出分布或中间特征,常用KL散度和温度机制优化软标签学习,兼顾推理效率与泛化能力,广泛应用于轻量化模型部署。(238字)
|
8月前
|
缓存 算法 C++
⚡ 模型推理加速
大模型推理加速关键技术:KV-Cache减少重复计算,连续批处理提升吞吐,投机解码实现2-3倍加速,结合vLLM等工具优化部署。涵盖算法、系统与硬件协同设计,助力高效落地。
|
8月前
|
安全 C++
📈 模型评估
模型评估涵盖能力、安全与效率三大维度,包括语言理解、知识问答、推理代码等基础能力,对齐性及推理延迟、吞吐量等效率指标。常用MMLU、C-Eval、GSM8K等基准,结合Hugging Face工具实现自动化评估,面试关注幻觉检测、指标设计与人工vs自动权衡。
|
缓存 关系型数据库 数据库
GitLab内存占用过高的解决方法
GitLab内存占用过的高解决方法: 系统环境:CentOS 7 GitLab版本:12.10.2-ee 服务器配置:2核4G 非转载以实践
12342 1
GitLab内存占用过高的解决方法